群体遗传模拟里,最容易混淆的不是随机数本身,而是随机性发生在哪一层。固定一份祖先历史,再重复添加突变,与每次重新生成祖先历史,会得到不同的波动范围。如果把两者都写成五十次独立模拟,方法描述就丢失了关键信息。
本文实际安装 msprime 1.3.4,配合 tskit 0.6.4 和 NumPy 2.2.6,分别检查样本倍性、重组、突变叠加和随机重复。我们用相同参数运行两套各五十次的对照,并把每次使用的两个随机种子和统计量全部保存。

模拟祖先历史,不等于已经生成变异
msprime 可以向过去模拟样本的祖先关系,输出用树序列表示的数据结构。沿着发生过重组的区段,不同位置可能具有不同的局部祖先树,因此输出不一定能压缩成一棵适用于整段序列的普通树。
官方快速入门区分了祖先模拟与后续突变模拟。本例也把两步明确分开,先观察祖先对象,再添加变异,避免一开始就把所有参数封装在一个难以检查的函数里。
我们采用恒定群体大小、简单的共祖模型和均一重组率。这里的人口大小、速率和序列长度都是教学参数,没有对应某个真实人群,也不是从观测数据反推得到的人口史。
明确十个样本到底指什么
下面是本次祖先模拟的主要设置。群体大小为一千,序列长度为五万,重组率为每代每位置千万分之一,指定二倍体和模型类型。
import msprime
ancestry = msprime.sim_ancestry(
samples=10,
population_size=1000,
sequence_length=50000,
recombination_rate=1e-7,
ploidy=2,
model="hudson",
random_seed=219
)
实际输出有十个个体,但样本节点有二十个。原因是这里每个二倍体个体提供两份单倍体基因组。若下游程序把样本节点数当成个体数,就可能把样本规模直接写大一倍。
我们把全局倍性改成一再次运行,输出变成十个个体、十个样本节点。这是一个清楚的计数对照,但不能把这个操作当成仅修改输出标签。全局倍性还参与群体模型的解释,因此不能为了得到想要的列数而随意更改。
实际设计时,应先写清研究单位是个体、染色体拷贝还是单倍型,再检查输出对象的对应字段。不同模拟接口对样本参数的含义可能不同,复制旧脚本前尤其应核对,不能根据变量名中的“样本”二字自行判断。
六十四棵树,不是六十四个独立重复
基线祖先对象包含六十四棵局部树。它们沿五万长度的区段依次覆盖不同区间,共同描述同一次祖先模拟产生的历史。
我们把重组率设为零,在其他设置相同的条件下重新模拟,输出只包含一棵树。这说明重组改变了沿序列的祖先表示,但不能把两次结果之间的每个数值差异都归因于某一个重组事件。
相邻局部树共享大量祖先结构,因此六十四棵树不能当成六十四份独立的群体历史。将每棵局部树当作一个独立重复,会低估关联结构,并让统计精度显得过高。
局部树数量也不应直接等同于历史中发生过的全部重组事件数。它是当前样本和记录方式下的结果表示,某些历史变化不一定表现为可区分的新局部树。分析者应按需要使用的统计对象解释数量。
没有突变时,位点多样性为何是零
在添加突变之前,本例祖先对象的位点数和突变数都是零,按位点计算的多样性也为零。但祖先树的分支并不为零,基于分支的多样性约为三千五百九十四点一八,时间单位是代。
因此,位点多样性为零在这里并不表示所有样本的祖先过程没有差异,而是我们还没有模拟可观察的变异。把这个零作为群体缺乏遗传多样性的证据,会混淆数据对象尚未包含的信息。
tskit 的统计说明提供基于位点和基于分支的统计模式。本次同时保存两者,正是为了检查突变层和祖先层各自发生了什么。
实际工作中,不是所有研究都必须先生成完整变异矩阵。如果问题直接涉及祖先时间或树的结构,可以先在树序列上计算所需统计量。是否叠加突变应由研究问题决定,而不是因为最终一定要导出一个看起来熟悉的文件格式。
添加突变后,祖先历史保持不变
我们在固定祖先对象上,以每代每位置千万分之一的速率添加二元状态突变,并使用连续位置。这一设置便于把突变随机性与祖先历史分开观察。
mutated = msprime.sim_mutations(
ancestry,
rate=1e-7,
model=msprime.BinaryMutationModel(),
discrete_genome=False,
random_seed=2191
)
这次输出有六十八个位点和六十八个突变,局部树仍为六十四棵,分支多样性也保持不变。位点多样性约为零点〇〇〇三二八,说明突变层已经提供了可以计算变异统计量的数据。
只改变突变种子后,位点数变成六十四,位点多样性约为零点〇〇〇三一八三。祖先结构保持相同,但变异落在哪些位置、哪些分支上发生了变化,这正是两层模拟被分开的结果。
这里使用的二元状态和连续位置是教学选择,不是一份带真实核酸字母、整数坐标和参考基因组的标准变异数据。若后续要生成特定格式,应重新确认替换模型、坐标约定及参考表示,不能简单把连续位置四舍五入。
官方突变模拟说明介绍了不同替换模型及位置设置。选择哪种表示,应与下游方法的假设一致,尤其是下游是否允许重复突变、多等位位点或非整数位置。
先做可重复性检查,再谈独立重复
我们使用完全相同的参数和祖先种子重复运行,祖先对象在忽略运行来源时间记录后相同。再对同一祖先对象使用相同突变种子,变异结果也相同。
这是正确的可重复性检查,却不是增加样本量的方法。我们又在循环里连续四次使用同一对种子,最后得到的核心结果只有一种。四次命令执行成功,没有创造四份独立模拟信息。
# 每次都使用这一对固定种子,适合复核同一个结果
ancestry_seed = 219
mutation_seed = 2191
实际批量模拟应给每个重复明确的编号,并保存它对应的祖先种子和突变种子。这样既能保证每个重复可追溯,也能避免把某个固定种子写在循环内部,导致整个参数组重复生成同一份数据。
文件的二进制校验值也不是唯一的比较方式。树序列文件可能带有来源记录或文件标识,内容等价不一定要求整个文件逐字节相同。本例同时使用对象比较和核心数值表的校验,避免把时间记录差异误报成模拟结果变化。
第一套五十次,只改变突变随机性
第一套重复始终使用同一个祖先对象,只把突变种子依次改变。我们记录每次的位点数和多样性,得到五十个不同的变异实现。
这套实验回答的是,在这份已经固定的祖先历史上,随机突变会让观测到的位点统计量波动多大。它没有包括祖先时间、重组历史和局部树结构在不同模拟之间的变化。
本例五十次位点多样性的均值约为零点〇〇〇三五六九,标准差约为零点〇〇〇〇四三。单次最初得到的零点〇〇〇三二八只是这类随机实现之一,不应被当成参数组唯一的预测值。
在本次连续位置、独立突变的设置下,把分支多样性乘以突变率,得到条件期望约为零点〇〇〇三五九四。重复均值与它接近,有助于检查单位和实现,但这不意味着每一次模拟都必须精确等于期望。
如果某个流程把突变率误当成整段序列每代的总发生数,或又额外乘了一次序列长度,这样的尺度检查就可能暴露问题。比起只看输出文件是否存在,检查预期数量级更能发现参数单位错误。
第二套五十次,同时改变祖先和突变
第二套重复每次都重新运行祖先模拟,再以独立记录的突变种子添加变异。这样,祖先过程的变化和突变过程的变化都会进入最终统计量。
本例得到的多样性均值约为零点〇〇〇三八四六,标准差约为零点〇〇〇一〇五四。与固定祖先的那一套相比,观察到的波动明显更大。
| 重复方案 | 多样性均值 | 重复间标准差 |
|---|---|---|
| 固定祖先,只变突变 | 0.000357 | 0.000043 |
| 祖先与突变均重做 | 0.000385 | 0.000105 |
这里的差异说明重复单位会影响不确定性的表示,不能把较小的标准差直接宣传成某种模拟方案更准确。固定祖先的实验本来就条件化在一份历史上,回答的问题更窄。
这也不构成一个普遍的倍数定律。不同序列长度、重组强度、人口史和统计量下,两种波动的相对大小都可能改变。我们只报告这组参数和这批种子下的实际观察。
标准差与均值的误差不是同一个数字
重复之间的标准差描述单次模拟结果的离散程度。均值的标准误则描述利用有限次重复估计均值的不确定性,在适当独立条件下与重复数的平方根有关。
本例固定祖先组的均值标准误约为百万分之六,重新模拟祖先组约为百万分之十五。即使某个均值已经比较稳定,也不意味着单次模拟会接近均值,二者不能互相替代。
报告结果时,应标明画出的误差线究竟表示标准差、标准误还是分位数范围。如果只写“误差很小”,读者无法知道这个小来自个体结果集中,还是来自用了很多重复来估计一个仍然很宽的分布。
当输出呈现偏斜、长尾或大量零时,仅用均值和标准差可能不够,还应查看分位数或完整分布。本例的脚本保存每个重复的原始统计,允许继续检查,而不是只留下已经汇总的两行数字。
不要用改变倍性来修正单位错误
很多模拟偏差源于把有效群体大小、个体数量和基因组拷贝数量放进同一个口径。改变全局倍性可能同时改变样本节点数量和祖先过程的时间尺度,不能把它当作简单的显示选项。
本例单倍体对照的分支统计与二倍体基线不同,但我们没有把它解释为倍性影响的定量结论,因为样本拷贝数量和模型设定同时改变,而且只比较了一次实现。
正确的对照设计应先决定哪些量保持相同,例如个体数、拷贝数、模型中的有效大小或缩放后的参数,再构建相应实验。保持一个参数字段中的数字相同,不等于保持生物学含义相同。
优点、限制与批量运行习惯
msprime 的实用优势是把祖先历史和变异层分开,并以便于统计的树序列保存结果。本例能够快速生成控制输入,直接检查两层随机性,也不必先把全部结果展开成庞大的文本矩阵。
它的限制是模拟只实现被明确写入的模型。恒定人口大小、简单重组和中性突变并不能自动代表真实群体。模拟结果与某个观测指标接近,也不足以证明所设人口史是唯一解释。
官方重复模拟文档说明了逐个迭代结果的用法。实际批量处理时,可以计算完当前重复的统计后再进入下一个,避免仅为最终一个均值而把所有完整对象同时留在内存中。
本次没有测量大样本或长染色体性能。脚本中记录的耗时只对应小型人工对照,不能直接推算真实复杂人口史所需的时间。扩大规模前,应先确认输出和单位正确,再评估保存完整历史还是只保存必要统计。
复现并改造这组实验
下载本组三篇复现包。本例使用 Python 3.10 的独立环境,安装版本如下,完成后运行脚本入口。
python3 -m venv msprime-demo-env
msprime-demo-env/bin/pip install \
msprime==1.3.4 tskit==0.6.4 numpy==2.2.6
msprime-demo-env/bin/python \
219-msprime/run.py /tmp/msprime-demo
复现后可以先改变重复次数,再改变序列长度或重组率,观察两层波动如何变化。每次只改变一个有明确含义的设定,并保留原始统计和种子表,才容易区分随机波动、单位错误和模型变化。
当模拟扩展为多个人口史、参数网格和大量重复时,可使用云生信生物信息学分析服务器组织固定环境、任务批次与可追溯结果。
